Taller de computación I Ruidos y Filtros Segmentación

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Taller de computación I Ruidos y Filtros Segmentación"

David Romero Carrizo
hace 6 años
Vistas:

1 Taller de computación I Ruidos y Filtros Segmentación María Elena Buemi 3 noviembre de 2014

2 Degradación y Restauración de imágenes La restauración es un proceso de mejora de una imagen Es un proceso objetivo Se intenta recuperar una imagen que ha sido sometida por un fenómeno de degradación del que se tiene un conoci miento a priori. Las técnicas de restauración están orientadas a la modelización de la degración y aplicar el proceso inverso para obtener la imagen original.

3 Modelo Degradación y Restauración f(x,y) g(x,y) H + Función de degradación Función de restauración f^(x,y) Degradación Ruido η(x,y) Restauración

4 Degradación y Restauración

5 Degradación y Restauración

6 imnoise(imagen,tipo,pa,pb) Generemos un poco de ruido... Para agregar ruido a una imagen en Matlab, utilizaremos la función imnoise de Matlab. Dependiendo del tipo de ruido a generar, varían los parámetros, según el ruido: J1 = imnoise(i,'gaussian',m,v); %I es la imagen original, %m es el valor de la media para el ruido gaussiano %v es el valor de la varianza para el filtro gaussiano y speckle J2 = imnoise(i,'salt & pepper',d); %d es un valor decimal que indica la densidad de ruido J3 = imnoise(i,'speckle',v);

7 Tres tipo de Ruido Aditivo: El ejemplo más usual es ruido gaussiano, que es esencialmente aditivo y la señal independiente, g(z,y) = f(z,y) + r(z,y) donde g(z,y) es el resultado de la función de imagen original f(z,y) corrupta por el ruido gaussiano aditivo r(z,y) Impulsivo: Frecuentemente los sensores generan ruido impulsivo. Algunas veces el ruido generado por transmisión digital (o incluso analógico)es impulsivo. Puede ser modelado como: g(x,y)=(1-p)*f(x,y)+p*i(x,y) donde i(z, y) es el ruido impulsivo y p pertenece a {0,1}. Multiplicativo: el ruido de aspecto granulado de las imágenes de radares y ecografías. Es esencialmente multiplicativo. Tiene un aspecto moteado. g (z, y) = f (z, y) * n(x, y)$, donde n(z, y) es el ruido multiplicativo.

8 Degradación y Restauración

9 imnoise(imagen,tipo,pa,pb) Generemos un poco de ruido... Para agregar ruido a una imagen en Matlab, utilizaremos la función imnoise de Matlab. Dependiendo del tipo de ruido a generar, varían los parámetros, según el ruido: J1 = imnoise(i,'gaussian',m,v); %I es la imagen original, %m es el valor de la media para el ruido gaussiano %v es el valor de la varianza para el filtro gaussiano y speckle J2 = imnoise(i,'salt & pepper',d); %d es un valor decimal que indica la densidad de ruido J3 = imnoise(i,'speckle',v);

10 IMNOISE IMRuido= imnoise(i,type,parameters) I es la imagen a contaminar Type es el tipo de ruido : ' gaussian', adicionalmente se debe incluir la media y la varianza, por default son 0,1 'salt & pepper', adicionalmente el porcentaje de ruido 'speckle' y un parámetro de porcentaje Ejemplo I = imread('eight.tif'); J = imnoise(i,'salt & pepper', 0.02); figure, imshow(i), figure, imshow(j)

11 Filtros IMFILTER()

12 B=IMFILTER(I,'replicate',OPTION1,'conv',...) Entrada: I= la imagen H \in {'symmetric', 'replicate', 'circular' } Opciones sobre la Salida \in { 'same', 'full'} - Correlation o convolution: elegimos 'conv' Ejemplo: originalrgb = imread('peppers.png'); originalr = originalrgb(:,:,1); h = fspecial('motion',50,45); filteredr= imfilter(originalr,h); figure, imshow(originalr), figure,imshow(filteredr) boundaryreplicater = imfilter(originalr,h,'replicate'); figure, imshow(boundaryreplicater)

13 Cuándo usaremos filtros gaussiano? Lo apropiado es hacerlo en caso de borroneo, esto es provocado, artificialmente por la media, por ejemplo A = imread('cameraman.tif'); h = fspecial('gaussian', size(a), 1.0); g = imfilter(a, h); Cuándo usaremos filtros 'median', 'max', 'min'? En caso de ruido impulsivo como el 'sal y pimienta'

14 Ejercicio: 1) Contaminar con ruido Gaussiano con media 0 y varianza 0.02 la imagen patron01.tif y la imagen 'boats.bmp' con media 0 y Varianza ) A las mismas imágenes contaminarlas con ruido Sal y Pimienta con parámetros p=0.02, 0.8 3) Aplicar filtro de la media y la mediana en todos los casos. 4) en todos los casos tome una subimagen de representativa y calcule la diferencia entre la original con ruido y las filtradas.

15 Segmentación

16 Segmentar es subdivir una imagen en sus regiones u objetos de interés. Los algoritmos de segmentación están basados en una de las dos propiedades básicas de los valores de intensidad de la imágenes: 1) los bordes dentro de una imagen(prewitt, Sobel, Roberts) 2) similaridad de acuerdo a un criterio predefinido. Thresholding o umbralamiento es una técnica muy popular.

17 Determinación de umbral por observación de histograma >>A=imread('geological01.jpg'); >> [M N B]=size(A); >> A1=A(:,:,1); >> subplot(1,2,1) >> imhist(a1) >> subplot(1,2,2) >> imshow(a1)

18 Segmentación por los bordes obtenidos según un umbral t >> [ gsobel, t ] = edge(a1, 'sobel'); >> subplot(1,3,1),imshow(gsobel) >> [ gprewitt, t ] = edge(a1, 'prewitt'); >> subplot(1,3,2),imshow(gprewitt) >> [ groberts, t ] = edge(a1, 'roberts'); >> subplot(1,3,3),imshow(groberts)

19 Criterios para determinar umbral 1- Por observación de histograma 2- Por Otsu: >>level = graythresh(a1);%da un umbral >>BW = im2bw(a1,level);%binariza la imagen según el umbral >>imshow(bw) >>%observar histograma >>imhist(a1) >>%Repetir con la banda de verde >>A2=A(:,:,2); >>level = graythresh(a2); >>BW = im2bw(i,level); >>imshow(bw)

20 Ejercitación Hacer una función que haga lo siguiente: 1) Abrir la imagen En las que hay otras imágenes interesantes. 2) si es de más de una banda, extraer una de ellas 3) observar su histograma 4) Contaminarla con ruidos: gaussiano (con media 0 y sigma={0.03, 0.09, 0,5}) y sal y pimienta con p=0.04 5) Para cada caso: 5.1) suavizar con filtro media, mediana 5.2) segmentar(la imagen sin ruido) utilizando bordes 5.3) segmentar por umbral: 5.3.1) mirando el histograma 5.3.2) con la funcion matlab graythresh 5.3.3) umbrales arbitrarios

21 Operadores morfológicos Trabajan con datos logical Erosión Dilatación imerode(i,m) imdilate(i, M) I= imagen M= máscara

22 Ejercicios originalbw = imread('text.png'); se = strel('line',11,90); erodedbw = imerode(originalbw,se); figure, imshow(originalbw) figure, imshow(erodedbw) % con imágenes de grises originali = imread('cameraman.tif'); se = strel('ball',5,5); erodedi = imerode(originali,se); figure, imshow(originali), figure, imshow(erodedi) originalbw = imread('text.png'); se = strel('line',11,90); dilatedbw = imdilate(originalbw,se); figure, imshow(originalbw), figure, imshow(dilatedbw) %con imagen grayscale con máscara rolling ball: originali = imread('cameraman.tif'); se = strel('ball',5,5); dilatedi = imdilate(originali,se); figure, imshow(originali), figure, imshow(dilatedi)

Documentos relacionados

Imágenes - Parte IV. Taller de Informática I. 11 de noviembre de DC - FCEyN - UBA

Imágenes - Parte IV. Taller de Informática I. 11 de noviembre de DC - FCEyN - UBA Imágenes - Parte IV Taller de Informática I DC - FCEyN - UBA 11 de noviembre de 2015 Segmentación Segmentar es subdivir una imagen en sus regiones u objetos de interés Los algoritmos de segmentación están